Kimi K2.6: OpenSource LLM sofort produktiv

Von Setup bis Governance: Kimi K2.6 sicher betreiben, bewerten und in Workflows integrieren. Zu den Schwerpunkten gehören Kimi K2.6 verstehen und einordnen, Lokales Setup und Laufzeit-Optionen, Prompting, Output-Qualität und Tests, RAG mit eigenen Daten ohne Datenchaos, Sicherheit, Datenschutz und Governance und Integration in Prozesse und Tools.

Die Schulung richtet sich an IT-Administratoren und Plattform-Teams, die ein LLM intern betreiben wollen, Data- und AI-Engineers, die Inference, RAG und Evaluation aufsetzen, Security, Datenschutz und Compliance, die Risiken bewerten und Controls definieren und Produktverantwortliche und Prozessverantwortliche, die LLM-Workflows einführen sowie alle, die Kimi K2.5 als OpenSource LLM praktisch einsetzen und verantwortbar betreiben wollen.

Grundverständnis von APIs, Container- oder VM-Betrieb und Dateiformaten (z. B. PDF, HTML, Markdown). Keine Data-Science-Vorkenntnisse erforderlich, hilfreich ist Erfahrung mit technischen Workflows.

Zu den Schwerpunkten gehören Kimi K2.6 verstehen und einordnen, Lokales Setup und Laufzeit-Optionen, Prompting, Output-Qualität und Tests, RAG mit eigenen Daten ohne Datenchaos, Sicherheit, Datenschutz und Governance und Integration in Prozesse und Tools.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu RAG mit eigenen Daten ohne Datenchaos, Sicherheit, Datenschutz und Governance und Integration in Prozesse und Tools geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar richtet sich an alle, die Kimi K2.5 nicht nur ausprobieren, sondern als OpenSource LLM verantwortbar in Abläufe bringen wollen; Du startest mit einer klaren Einordnung: Open-Weights und OpenSource werden sauber getrennt, damit Du Lizenzfragen, Weitergabe und interne Nutzung korrekt bewerten kannst; Anschließend geht es um die Betriebsrealität; Du lernst typische Deployment-Varianten kennen, von Container- und VM-Setups bis zu unterschiedlichen Inference-Engines; Dabei steht nicht „Tool-Wissen“ im Vordergrund, sondern Entscheidungssicherheit: Welche Option passt zu Deinen Anforderungen an Latenz, Durchsatz, Kosten und Wartbarkeit.

Ja. „RAG mit eigenen Daten ohne Datenchaos“ ist ein eigener Bestandteil der Schulung. Dazu gehören Chunking, Metadaten, Retrieval-Strategien, Embeddings, Vektordatenbank, Re-Ranking (Konzept) und Antworten belegbar machen: Quellen, Zitate, Guardrails.